Titelaufnahme

Titel
Preprocessing of IMU observables and multi-sensor Kalman filtering / von Stefan Schaufler
Weitere Titel
Prozessierung von IMU-Beobachtungen und Multi-Sensor Kalman Filterung
VerfasserSchaufler, Stefan
Begutachter / BegutachterinWeber, Robert ; Hinterberger, Fabian
ErschienenWien, 2016
Umfangvi, 97 Blätter : Illustrationen, Diagramme
HochschulschriftTechnische Universität Wien, Diplomarbeit, 2016
Anmerkung
Zusammenfassung in deutscher Sprache
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)IMU -Datenprozessierung / Multisensor-Environment / Kalmanfilterung / Navigation
Schlagwörter (EN)IMU Data Processing / Multisensor -Environment / Kalman Filtering
URNurn:nbn:at:at-ubtuw:1-2592 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Preprocessing of IMU observables and multi-sensor Kalman filtering [5.24 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Ziel der Navigation ist die zeitliche Bestimmung der Position und der räumlichen Orientierung eines bewegten Fahrzeuges. Diese sogenannte Trajektorie kann mit Hilfe der Kombination von mehreren Sensoren ermittelt werden. Dabei werden die Vorteile der unterschiedlichen Systeme genutzt, um eine verbesserte Navigationsinformation zu erzielen. Ein mögliches Multi-Sensor-System wäre somit die Integration von GNSS (Globales Navigationssatellitensystem) und IMU (Inertial Navigation bzw. Trägheitsnavigation). Bei dieser Sensorenintegration liefert GNSS die präzise Positionsinformation und im Gegensatz dazu zeichnet der Trägheitssensor hoch-dynamische Bewegungen auf und liefert eine direkte Orientierungsbestimmung. Bei GNSS-Ausfällen (Signalverlust) übernimmt der Trägheitssensor die Positionierung, bis die GNSS-Lösung wieder möglich ist. Einer der limitierenden Faktoren ist, dass das inertiale Navigationssystem von Sensorenfehlern stark beeinflusst wird. Um trotzdem eine Navigationslösung im cm-Bereich zu erreichen, müssen diese Sensorenfehler modelliert werden. Des Weiteren enthält die inertiale Sensormessung außer den tatsächlichen Fahrzeugbewegungen auch Vibrationen und Messrauschen. Daher sind die resultierenden Positionsfehler proportional zu diesen Störungen. Es ist anzunehmen, dass die gesamte Multi-Sensor-Navigationslösung verbessert wird, wenn diese Störungen bestmöglich eliminiert werden. In dieser Arbeit werden mit Hilfe der Wavelet-Analyse die unerwünschten Effekte auf Grund des Messrauschens minimiert. Die Kalmanfilterung wird für die Sensorintegration von GNSS und IMU verwendet. Zusätzlich können mit dieser Technik die Sensorenfehler mitgeschätzt werden. Am Schluss wird analysiert, wie sich diese Arbeitsschritte am Multi-Sensor-Navigationssystem auswirken. Dabei wurden signifikante Verbesserungen der Anfangsorientierung erreicht, was zu einem geringeren Positions- und Orientierungsfehler zu Beginn der Fahrzeugbewegung führt. Ebenso wurde gezeigt, dass unerwünscht aufgezeichnete Vibrationen eliminiert werden können, was in weiterer Reihenfolge zu einem geringeren resultierenden Positionsfehler bei GNSS-Ausfällen führt.

Zusammenfassung (Englisch)

The aim of navigation is to determine the position and the spatial orientation of a moving vehicle. This so-called trajectory can be achieved by using the combination of multiple sensors. The advantages of such a setup is that the benefits of the different systems are used to obtain improved navigation information. A possible multi-sensor system is the integration of GNSS (Global Navigation Satellite Systems) and IMU (Inertial Measurement Unit)), where GNSS provides accurate position information and in contrast, the inertial sensor captures high-dynamic movements and provides a direct orientation determination. At GNSS outages (loss of signal), the navigation information is based on the IMU until the GNSS solution is available again. One of the limiting factors are the temporal increasing sensor errors of the inertial navigation. To achieve a navigation solution in the cm-range, these sensor errors must be modelled. Furthermore, the IMU measurements contain vehicle vibrations and measurement noise beside the actual vehicle motion wanted. Therefore, the resulting position error is proportional to these disorders. The entire multi-sensor navigation solution will most likely be improved when these disorders get eliminated. In this thesis, the wavelet analysis is used to minimize the undesirable effects due to measurement noise and other disturbances. Kalman filtering is used for the sensor integration of GNSS and IMU and in addition, the sensor errors can be estimated within this technique. Finally, the effect of preprocessing the IMU observables is analysed within the multi-sensor navigation system. Thereby improvements of the initial orientation have been achieved, which leads to a smaller position and orientation error at the beginning of the trajectory. Likewise, it was shown that undesirably recorded vibrations can be eliminated, resulting subsequently in a smaller position error at GNSS outages.